Estymacja i korekta lokalnej i globalnej jakości danych typu szeregi czasowe w celu redukcji niepewności klasyfikacji i

Jakość prognozy i klasyfikacji szeregów czasowych zależy nie tylko od architektury modelu, lecz także od jakości danych uczących. Brakujące wartości, nieregularne znaczniki czasu, szum, obserwacje odstające, duplikaty i zmiany rozkładu mogą prowadzić do wyższego błędu prognozy i klasyfikacji. Problemy jakościowe w danych szeregów czasowych często są naprawiane prostymi metodami statystycznymi, metodami o niskim błędzie rekonstrukcji, lub nie są naprawiane wcale. Dotychczasowe badania nie sprawdzają, w jaki sposób rekonstrukcja danych z problemami jakości wpływa na wynik zadania końcowego - predykcji lub klasyfikacji.

Celem projektu jest opracowanie skalowalnej procedury wyboru metod poprawy jakości danych szeregów czasowych, uwzględniającej nie tylko dokładność rekonstrukcji danych, ale przede wszystkim wpływ zastosowanej metody na jakość zadania końcowego, tj. prognozowania i klasyfikacji. Procedura będzie brała pod uwagę również stabilność wyników oraz koszt obliczeniowy poszczególnych metod. Jej zadaniem będzie wskazanie, jakie metody korekty są najbardziej odpowiednie w zależności od domeny danych, charakterystyki i struktury sygnału, rodzaju oraz natężenia defektu, a także horyzontu prognozy lub specyfiki zadania klasyfikacyjnego. Efektem projektu ma być praktyczna metodyka wspierająca dobór sposobu poprawy jakości danych do konkretnego problemu, zamiast stosowania jednej domyślnej metody niezależnie od charakterystyki danych i celu analizy.